图像轮廓提取是图像处理的重要组成部分,是计算机视觉领域的重要研究课题之一。但是已有的轮廓提取技术难以反映图像中所包含的目标信息,因此近年来针对含有多个目标物体的图像的轮廓提取技术,已经逐渐成为人们研究的热点。ACM模型的提出为轮廓提取提供了新的思路,开创了基于形变模型的图像处理的先河。经过多年来的改进和创新,尤其是人工神经网络的引入,使得ACM模型在轮廓提取方面获得了崭新的突破。其中较为成熟的轮廓提取方法当属基于BSOM人工神经网络的ACM模型,它在简单多目标图像提取方面已经获得了比较理想的效果,但是对于复杂的多目标图像还难以实现有效的轮廓提取。本文的工作主要围绕基于BSOM的ACM模型进行轮廓提取的方法展开。首先,从神经网络出发,提出了改进型的FN-SOM网络训练方法,改进了传统FN-SOM的邻域关系,提升了FN-SOM网络的聚类特性,并且通过仿真实验验证了改进的有效性,为后期轮廓提取改进方案的实现提供了有效地网络准备工作。然后再针对BSOM方法在轮廓提取中存在不足,提出了两种改进方案。种是针对彩色图像,首次将FN-SOM网络应用于彩色图像的分割,再利用传统的BSOM方法提取图像的轮廓,该方法经验证可以有效提取多目标彩色图像轮廓,但是算法复杂的较高。另一种改进方案是从BSOM自身结构出发进行改进,主要是把FN-SOM的概念引入到BSOM网络中来,提出了基于FN-BSOM的ACM模型,并通过虚假邻域定位出第二层获胜神经元,同时在迭代过程中根据虚假邻域关系控制添加或删除神经元,进而达到多目标轮廓提取的效果,文中利用该模型进行图像轮廓提取实验,通过对比分析验证了该方法可以获得较为理想的轮廓提取效果,而且具有较为理想的鲁棒性。最后把对多目标轮廓的提取扩展到三维多目标图像领域,并且验证了改进后的方法具有一定的优越性。